Precision, Recall, Accuracy, F score, Sensitivity, Specificity..

首先确定4个概念,TP,FP,TN,FN

• TP（True Positive）：在判定为positive的样本中，判断正确的数目。
•  FP（False Positive）：在判定为positive的样本中，判断错误的数目。
•  TN（True Negative）：在判定为negative的样本中，判断正确的数目。
•  FN（False Negative）：在判定为negative的样本中，判断错误的数目。

计算 precision，recall，accuracy，F1 score

概念：精确率(Precision)， 召回率(Recall) ，准确率(Accuracy),和 F1-Measure

1. 精确率（precision）：   可理解为“真正属于类别P的/找到属于类别P的”

• 
• 我们找到的个数里面，真正找对的比例。
• 查准率，找到的里面，有多少是对的。

2. 召回率（recall）：   可理解为“真正属于类别P的/所有属于类别P的”；

• 
• 所有需要找到的里面，我们真正找的个数的比例。
• 查全率，该找的的是否全部找到了？

3. 准确率（accuracy）：可理解为在所有样本中，全部判断正确的比例。

4. F score

• 精确率和召回率是相互影响的，理想情况下两者都高，但是一般情况下准确率高，召回率就低；召回率高，准确率就低；如果两者都低，应该是哪里算的有问题。
• 当然希望检索结果Precision越高越好，同时Recall也越高越好，但事实上这两者在某些情况下有矛盾的。比如极端情况下，我们只搜索出了一个结果，且是准确的，那么Precision就是100%，但是Recall就很低；而如果我们把所有结果都返回，那么比如Recall是100%，但是Precision就会很低。因此在不同的场合中需要自己判断希望Precision比较高或是Recall比较高。如果是做实验研究，可以绘制Precision-Recall曲线来帮助分析。

1. 在两者都要求高的情况下，综合衡量P和R就用F值：

1. α为1时候，就是常见的F1-score

1. 1. 
2. 其他解释
   1. 

灵敏度与假阴性率（漏诊率）

1. 灵敏度（也称真阳性率，sensitivity）=真阳性人数/（真阳性人数+假阴性人数）*100%。
1. 是TP/(TP+FN), 和recall的计算方式比较类似。
2. 指正确判断病人的程度，也即实际有病而被正确诊断的百分比。
3. A代表病人中被诊断为病人的数量；C代表病人中被诊断为非病人的数量。
4. 

特异度与假阳性率

1. 特异度（也称真阴性率，specificity）=真阴性人数/（真阴性人数+假阳性人数））*100%。
1. TN/(TN+FP)*100%
2. 指正确判断非病人的程度，也即实际无病而被正确诊断为无病的百分比。
3. B代表非病人中被诊断为非病人的数量；D值非病人中被诊断为病人的数量。
4. 

ROC曲线与AUC

1. ROC（Receiver Operating Characteristic）和AUC（Area UnderCharacteristic）常被用来评价一个二分类器的优劣。
2. ROC曲线一般横轴是FPR，纵轴是TPR。AUC为曲线下面的面积，一般AUC值越大，说明模型越好
1. True Positive Rate ( TPR )  = TP /（TP + FN）; TPR代表能将正例分对的概率
2.  False Positive Rate( FPR ) = FP /（FP + TN）; FPR代表将负例错分为正例的概率
3.  
4. 

• 纵轴：真正率（击中率）true positive rate ,TPR，称为灵敏度。所有实际正例中，正确识别的正例比例。
• 横轴：假正率（虚报率）false positiverate, FPR，称为(1-特异度)。所有实际负例中，错误得识别为正例的负例比例

参考链接

1. https://blog.csdn.net/jiandanjinxin/article/details/51840829
2. https://blog.csdn.net/index20001/article/details/77651028